COVID-19 Dispersion Modeling of Data with Minimax Measurement

जब कोई बीमारी किसी परिदृश्य में फैलती है, तो वह समुद्र तट पर टकराने वाली एक अकेली लहर की तरह नहीं चलती। इसके बजाय, यह बिखरे हुए प्रकोपों के एक समूह के रूप में दिखाई देती है, जिनमें से कुछ छोटे और छिपे हुए होते हैं, तो कुछ बड़े और दृश्यमान, जो समय के साथ बदलते रहते हैं। एक वायरस कहाँ जा रहा है, इसे समझने के लिए वैज्ञानिक अक्सर इन बिखरे हुए बिंदुओं के चारों ओर एक आकार बनाने की कोशिश करते हैं, एक केंद्र और एक सीमा की तलाश करते हैं जो पूरी तस्वीर को समेट सके। यह गणित की एक क्लासिक चुनौती है: बिंदुओं के एक समूह के लिए भारित अधिकतम दूरी (weighted maximum distance) को कम करने वाले एक वृत्त को खोजना, जो पियरे डी फर्माट जैसे गणितज्ञों के कार्य से सदियों पुरानी समस्या है। महामारी के संदर्भ में, इस पहेली को हल करना शोधकर्ताओं को न केवल यह देखने में मदद करता है कि मामले कहाँ हैं, बल्कि यह भी कि संक्रमण कैसे फैल रहा है, सिकुड़ रहा है या स्थिर हो रहा है। बीमारी के प्रसार को एक ज्यामितीय समस्या के रूप में मानकर, वैज्ञानिक उन अदृश्य ताकतों का पता लगा सकते हैं जो वायरस को एक शहर से दूसरे शहर तक धकेल रही हैं, जिससे कच्चे आंकड़ों को गति के एक स्पष्ट मानचित्र में बदल दिया जाता है।

अगस्त 2026 में प्रकाशित एक अध्ययन में, शोधकर्ताओं डोंगयुंग किम और ग्रेस किम ने इस ज्यामितीय सोच को कोविड-19 महामारी के शुरुआती दिनों पर लागू किया। उन्होंने अप्रैल 2020 के एक विशिष्ट सप्ताह पर ध्यान केंद्रित किया, जो एक महत्वपूर्ण अवधि थी जब वायरस दक्षिण-पश्चिमी संयुक्त राज्य अमेरिका में तेजी से बढ़ रहा था। एरिजोना, कोलोराडो और न्यू मैक्सिको के डेटा का उपयोग करते हुए, टीम ने एक मॉडल बनाया जिसने प्रत्येक पुष्ट केस क्लस्टर को मानचित्र पर एक बिंदु के रूप में माना। उनका लक्ष्य एक एकल, चलते हुए केंद्र बिंदु को खोजना था जो बीमारी के प्रसार का सर्वोत्तम प्रतिनिधित्व करता हो, जो दो निश्चित संदर्भ बिंदुओं द्वारा बाधित हो जो गणना के लिए एंकर (anchors) के रूप में कार्य करते थे। इस दृष्टिकोण ने उन्हें एक "मिनिमैक्स सर्कल" (minimax circle) बनाने की अनुमति दी—एक ऐसी सीमा जिसे सभी ज्ञात मामलों की भारित अधिकतम दूरी को कम करने के लिए अनुकूलित किया गया था, जिसे प्रत्येक स्थान के भार या महत्व के अनुसार समायोजित किया गया था। इस वृत्त के आकार और इसके केंद्र को दिन-प्रतिदिन बदलते हुए देखकर, वे वायरस के फैलाव की शक्ति और दिशा को माप सकते थे।

शोधकर्ताओं ने 1 अप्रैल से 7 अप्रैल, 2020 तक के दैनिक डेटा का विश्लेषण किया, प्रत्येक राज्य में पुष्ट मामलों के स्थानों का मानचित्रण किया। उन्होंने ज्यामिति को काम करने के लिए इन क्लस्टरों के वास्तविक दुनिया के अक्षांश और देशांतर को एक सपाट, द्वि-आयामी ग्रिड में परिवर्तित किया। प्रत्येक दिन के लिए, उन्होंने वृत्त के इष्टतम केंद्र और इसकी त्रिज्या (radius) की गणना की, जो प्रकोप की पहुंच का प्रतिनिधित्व करती है। उन्होंने एक "विक्षेपण शक्ति" (dispersion strength) को भी मापा, जो हमें बताता है कि मामले उस वृत्त के भीतर कितने सघन रूप से पैक हैं। यदि वृत्त बड़ा होता जाता है जबकि मामलों की संख्या समान रहती है, तो शक्ति गिर जाती है, जिसका अर्थ है कि वायरस एक व्यापक क्षेत्र में फैल रहा है। यदि वृत्त छोटा होता है या उसी आकार का रहता है जबकि मामले बढ़ते हैं, तो शक्ति बढ़ती है, जो एक सघन, केंद्रित प्रकोप का संकेत देती है।

परिणामों ने प्रत्येक राज्य के लिए अलग-अलग पैटर्न प्रकट किए। एरिजोना में, मॉडल ने सप्ताह के दौरान एक स्पष्ट बदलाव दिखाया। पहले चार दिनों के दौरान, वृत्त की त्रिज्या लगातार बढ़ी, जिसका अर्थ था कि वायरस नई, दूरस्थ स्थानों पर कूद रहा था। साथ ही, विक्षेपण शक्ति तेजी से गिरी, जिससे पुष्टि हुई कि प्रकोप अधिक बिखरा हुआ हो गया था। हालांकि, पांचवें दिन तक, विकास रुक गया। वृत्त का आकार स्थिर हो गया, और शक्ति एक स्थिर पैटर्न में बस गई। इससे पता चला कि वायरस ने उस विशिष्ट सप्ताह के भीतर फैलने की अपनी एक सीमा तक पहुँच ली थी, जहाँ वह एक ऐसे संतृप्ति बिंदु (saturation point) पर पहुँच गया जहाँ नए मामले मौजूदा सीमा के भीतर ही दिखाई दे रहे थे, न कि उसे बाहर की ओर धकेल रहे थे।

कोलोराडो ने एक अलग कहानी सुनाई। पूरे सप्ताह के दौरान, राज्य ने तीनों में सबसे अधिक विक्षेपण शक्ति बनाए रखी, जिसका अर्थ है कि इसके मामले मजबूती से क्लस्टर में रहे। मॉडल ने दिखाया कि वायरस डेनवर महानगरीय क्षेत्र के आसपास भारी रूप से केंद्रित था, जिसमें वृत्त अपेक्षाकृत छोटा रहा। यह इंगset करता था कि प्रकोप तीव्र था लेकिन भौगोलिक रूप से सघन था, जिसमें नए संक्रमण ग्रामीण इलाकों में फैलने के बजाय स्थापित केंद्रों के करीब दिखाई दे रहे थे।

न्यू मैक्सिको ने विपरीत चरम प्रस्तुत किया। यहाँ, विक्षेपण शक्ति बिना कभी स्थिर हुए लगातार घटती रही। वृत्त हर दिन बड़ा होता गया, जो इसके विशाल क्षेत्र और बिखरी हुई आबादी को दर्शाता है। वायरस धीरे-धीरे लेकिन लगातार एक विस्तृत परिदृश्य में फैल रहा था, जिसमें मूल केंद्रों से दूर नए क्लस्टर दिखाई दे रहे थे। एरिजोना के विपरीत, जो एक अस्थायी संतुलन पा गया था, न्यू मैक्सिको का प्रकोप विस्तार की निरंतर अवस्था में था, जिसमें उस सप्ताह के दौरान संतृप्ति सीमा तक पहुँचने का कोई संकेत नहीं था।

अध्ययन पुष्टि करता है कि यह ज्यामितीय विधि बीमारी की गति को ट्रैक करने के लिए एक विश्वसनीय उपकरण है, बशर्ते पर्याप्त डेटा उपलब्ध हो। संवेदनशीलता विश्लेषण (Sensitivity analysis) इंगिकाता है कि छोटे डेटासेट (N = 20) के साथ, परिणाम अस्थिर और संवेदनशील होते हैं। हालाँकि, जैसे-जैसे अनुभवजन्य डेटा N = 200 और N = 800 तक बढ़ता है, मॉडल मजबूत अभिसरण व्यवहार (convergence behavior) प्रदर्शित करता है, जो बड़े पैमाने के अनुप्रयोगों के लिए इसकी कम्प्यूटेशनल स्थिरता को प्रमाणित करता है। टीम ने पाया कि गणितीय दृष्टिकोण सफलतापूर्वक प्रसार के रुझान की भविष्यवाणी कर सकता था, जो बाहर की ओर विस्फोट करने वाले वायरस और एक पैटर्न में स्थिर होने वाले वायरस के बीच अंतर कर सकता है।

केवल मामलों की कुल संख्या के बजाय प्रकोप के आकार और गति पर ध्यान केंद्रित करके, यह शोध महामारी को देखने का एक नया तरीका प्रदान करता है। यह दिखाता है कि वायरस का प्रसार केवल बीमार लोगों को गिनने की बात नहीं है, बल्कि उनके वितरण की ज्यामिति को समझने की बात है। मॉडल सुझाव देता है कि विभिन्न क्षेत्र एक ही वायरस के प्रति मौलिक रूप से भिन्न तरीकों से प्रतिक्रिया दे सकते हैं, जो उनकी भूगोल और जनसंख्या घनत्व से प्रेरित होते हैं। सार्वजनिक स्वास्थ्य अधिकारियों के लिए, इसका अर्थ है कि एक ही रणनीति हर जगह काम नहीं कर सकती; जो एक राज्य में नियंत्रित प्रकोप लग रहा है, वह दूसरे राज्य में तेजी से फैलता हुआ मोर्चा हो सकता है। यह कार्य महामारी को हल करने या भविष्य की पूर्ण निश्चितता के साथ भविष्यवाणी करने का दावा नहीं करता है, लेकिन यह वायरस की गति को देखने के लिए एक स्पष्ट, गणितीय लेंस प्रदान करता है, जो डेटा के अराजक प्रसार को विस्तार और नियंत्रण की एक पठनीय कहानी में बदल देता है।